微服務架構使得可以通過明確定義的服務邊界來隔離故障。但是像在每個分布式系統中一樣，發生網絡、硬件、應用級別的錯誤都是很常見的。由于服務依賴關系，任何組件可能暫時無法提供服務。為了盡量減少部分中斷的影響，我們需要構建容錯服務，來優雅地處理這些中斷的響應結果。

本文介紹了基于RisingStack 的 Node.js 咨詢和開發經驗構建和操作高可用性微服務系統的最常見技術和架構模式。

微服務架構的風險

微服務架構將應用程序邏輯移動到服務，并使用網絡層在它們之間進行通信。這種通過網絡間通信代替單應用程序內調用的做法，會帶來額外的延遲，以及需要協調多個物理和邏輯組件的系統復雜度。分布式系統的復雜性增加也將導致更高的網絡故障率。

microservices allow you to achieve graceful service degradation as components can be set up to fail separately.

微服務體系結構的最大優勢之一是，團隊可以獨立設計，開發和部署他們的服務。他們對服務的生命周期擁有完全的所有權。這也意味著團隊無法控制他們依賴的服務，因為它更有可能由不同的團隊管理。

使用微服務架構，我們需要記住，提供者服務可能會臨時不可用，由于其他人員發行的錯誤版本，配置以及其他更改等。

優雅的服務降級

微服務架構的最大優點之一是您可以隔離故障，并在當組件單獨故障時，進行優雅的服務降級。例如，在中斷期間，照片共享應用程序中的客戶可能無法上傳新圖片，但仍可以瀏覽，編輯和共享其現有照片。

在大多數情況下，由于分布式系統中的應用程序相互依賴，因此很難實現這種優雅的服務降級，您需要應用幾種故障轉移的邏輯（其中一些將在本文后面介紹），以為暫時的故障和中斷做準備。

變更管理

Google的網站可靠性小組發現， 大約70％的中斷是由現有系統的變化引起的 。當您更改服務中的某些內容時，您將部署新版本的代碼或更改某些配置 - 這總有可能會造成故障，或者引入新的bug。

在微服務架構中，服務依賴于彼此。這就是為什么你應該盡量減少故障并限制它的負面影響。要處理變更中的問題，您可以實施變更管理策略和 自動回滾 機制。

例如，當您部署新代碼或更改某些配置時，您應該先小范圍的進行部分的替換，以漸進式的方式替換服務的全部實例。在這期間，需要監視它們，如果您發現它們對您的關鍵指標有負面影響，應立即進行服務回滾，這稱為“金絲雀部署”。

另一個解決方案可能是您運行兩個生產環境。您始終只能部署其中一個，并且在驗證新版本是否符合預期之后才，將負載均衡器指向新的。這稱為藍綠或紅黑部署。

回滾代碼不是壞事。你不應該在生產中遺留錯誤的代碼，然后考慮出了什么問題。如果必要，越早回滾你的代碼越好。

健康檢查與負載均衡

實例由于出現故障、部署或自動縮放的情況，會進行持續啟動、重新啟動或停止操作。它可能導致它們暫時或永久不可用。為避免問題，您的負載均衡器應該從路由中 跳過不健康的實例 ，因為它們當前無法為客戶或子系統提供服務。

應用實例健康狀況可以通過外部觀察來確定。您可以通過重復調用 GET /health 端點或通過自我報告來實現。現在主流的 服務發現 解決方案，會持續從實例中收集健康信息，并配置負載均衡器，將流量僅路由到健康的組件上。

自我修復

自我修復可以幫助應用程序從錯誤中恢復過來。當應用程序可以 采取必要步驟 從故障狀態恢復時，我們就可以說它是可以實現自我修復的。在大多數情況下，它由外部系統實現，該系統會監視實例運行狀況，并在較長時間內處于故障狀態時重新啟動它們。自我修復在大多數情況下是非常有用的。但是在某些情況下，持續地重啟應用程序可能會 導致麻煩 。當您的應用程序由于超負荷或其數據庫連接超時而無法給出健康的運行狀況時，這種情況下的頻繁的重啟就可能就不太合適了。

對于這種特殊的場景（如丟失的數據庫連接），要實現滿足它的高級自我修復的解決方案可能很棘手。在這種情況下，您需要為應用程序添加額外的邏輯來處理邊緣情況，并讓外部系統知道實例不需要立即重新啟動。

故障轉移緩存

由于網絡問題和我們系統的變化，服務經常會失敗。然而，由于自我修復和負載均衡的保障，它們中的大多數中斷是臨時的，我們應該找到一個解決方案，使我們的服務在這些故障時服務仍就可以工作。這就是 故障轉移緩存 (failover caching)的作用，它可以幫助并為我們的應用程序在服務故障時提供必要的數據。

故障轉移緩存通常使用 兩個不同的過期日期 ; 較短的時間告訴您在正常情況下緩存可以使用的過期時間，而較長的時間可以在服務故障時緩存依舊可用的過期時間。

請務必提及，只有當服務使用過時的數據比沒有數據更好時，才能使用故障轉移緩存。

要設置緩存和故障轉移緩存，可以在 HTTP 中使用標準響應頭。

例如，使用  max-age 屬性可以指定資源被視為有效的最大時間。使用  stale-if-error 屬性，您可以明確在出現故障的情況下，依舊可以從緩存中獲取資源的最大時間。

現代的 CDN 和負載均衡器都提供各種緩存和故障轉移行為，但您也可以為擁有標準可靠性解決方案的公司創建一個共享庫。

重試邏輯

在某些情況下，我們無法緩存數據，或者我們想對其進行更改，但是我們的操作最終都失敗了。對于此，我們可以重試我們的操作，因為我們可以預期資源將在一段時間后恢復，或者我們的負載均衡器將請求發送到了健康的實例上。

您應該小心地為您的應用程序和客戶端添加重試邏輯，因為大量的 重試可能會使事情更糟 ，甚至阻止應用程序恢復，如當服務超載時，大量的重試只能使狀況更糟。

在分布式系統中，微服務系統重試可以觸發多個其他請求或重試，并啟動 級聯效應 。為了最小化重試的影響，您應該限制它們的數量，并使用指數退避算法來持續增加重試之間的延遲，直到達到最大限制。

當客戶端（瀏覽器，其他微服務等）發起重試，并且客戶端不知道在處理請求之前或之后操作失敗時，您應該為你的應用程序做好 冪等處理 的準備。例如，當您重試購買操作時，您不應該再次向客戶收取費用。為每個交易使用唯一的 冪等值鍵 可以幫助處理重試。

限流器和負載降級

流量限制是在一段時間內定義特定客戶或應用程序可以接收或處理多少個請求的技術。例如，通過流量限制，您可以過濾掉造成流量峰值的客戶和服務，或者您可以確保您的應用程序在自動縮放無法滿足時，依然不會超載。

您還可以阻止較低優先級的流量，為關鍵事務提供足夠的資源。

有一個不同類型的限流器，叫做并發請求限制器。當您有重要的端點，您不應該被調用超過指定的次數，而您仍然想要能提供服務時，這將是有用的。

負載降級的一系列使用，可以確保總是有足夠的資源來提供關鍵交易。它為高優先級請求保留一些資源，不允許低優先級的事務使用它們。負載降級開關是根據系統的整體狀態做出決定，而不是基于單個用戶的請求量大小。負載降級有助于您的系統恢復，因為當你有一個偶發事件時（可能是一個熱點事件），您仍能保持核心功能的正常工作。

要了解有關限流器和負載降級的更多信息，我建議查看這篇Stripe的文章。

快速失敗原則與獨立性

在微服務架構中，我們想要做到讓我們的服務具備快速失敗與相互獨立的能力。為了在服務級別上進行故障隔離，我們可以使用艙壁模式。你可以在本文的后面閱讀更多有關艙壁的內容。

我們也希望我們的組件能夠快速失敗，因為我們不希望對于有故障的服務，在請求超時后才斷開。沒有什么比掛起的請求和無響應的 UI 更令人失望。這不僅浪費資源，而且還會影響用戶體驗。我們的服務在調用鏈中是相互調用的，所以在這些延遲累加之前，我們應該特別注意防止掛起操作。

你想到的第一個想法是對每個服務調用都設置明確的超時等級。這種方法的問題是，您不能知道真正合理的超時值是多少，因為網絡故障和其他問題發生的某些情況只會影響一兩次操作。在這種情況下，如果只有其中一些超時，您可能不想拒絕這些請求。

我們可以說，在微服務種通過使用超時來達到快速失敗的效果是一種反模式的，你應該避免使用它。取而代之，您可以應用斷路器模式，依據操作的成功與失敗統計數據決定。

艙壁模式

工業中使用艙壁將船舶劃分為幾個部分，以便在船體破壞的情況下，可以將船舶各個部件密封起來。

艙壁的概念在軟件開發中可以被應用在隔離資源上。

通過應用艙壁模式，我們可以保護有限的資源不被耗盡。例如，對于一個有連接數限制的數據庫實例來說，如果我們有兩種連接它的操作，我們采用可以采用兩個連接池的方式進行連接，來代替僅采用一個共享連接池的方式。由于這種客戶端與資源進行了隔離，超時或過度使用池的操作頁不會使其他操作失敗。

泰坦尼克號沉沒的主要原因之一是其艙壁設計失敗，水可以通過上面的甲板倒在艙壁的頂部，導致整個船體淹沒。

斷路器

為了限制操作的持續時間，我們可以使用超時。超時可以防止掛起操作并保持系統響應。然而，在微服務中使用靜態、精細的超時是一種反模式，因為我們處于高度動態的環境中，幾乎不可能提出在每種情況下都能正常工作的正確的時間限制。

替代這種靜態超時的手段是，我們可以使用斷路器來處理錯誤。斷路器以現實世界的電子元件命名，因為它們的作用是相同的。您可以保護資源，并幫助他們使用斷路器進行恢復。它們在分布式系統中非常有用，因為在分布式系統中，重復故障可能導致雪球效應并使整個系統癱瘓。

當特定類型的錯誤在短時間內多次發生時，斷路器會被斷開。開路的斷路器可以防止進一步的請求 - 就像我們平時所說的電路跳閘一樣。斷路器通常在一定時間后關閉，在這期間可以為底層服務提供足夠的空間來恢復。

請記住，并不是所有的錯誤都應該觸發斷路器。例如，您可能希望跳過客戶端問題，例如具有4xx響應代碼的請求，但不包括5xx服務器端故障。一些斷路器也具有半開狀態。在這種狀態下，服務發送第一個請求以檢查系統可用性，同時讓其他請求失敗。如果這個第一個請求成功，它將使斷路器恢復到關閉狀態并使流量流動。否則，它保持打開。

測試故障

您應該不斷測試您系統的常見問題，以確保您的服務可以抵抗各種故障。您應經常測試故障，讓您的團隊具備故障處理的能力。

對于測試，您可以使用外部服務來標識實例組，并隨機終止此組中的一個實例。這樣，您可以準備單個實例故障，但您甚至可以關閉整個區域來模擬云提供商的故障。

最流行的測試解決方案之一是 Netflix 的 ChaosMonkey 彈性工具。

結尾

實施和運行可靠的服務并不容易。您需要付出很多努力，同時公司也要有相應的財力投入。

可靠性有很多層次和方面，因此找到最適合您團隊的解決方案很重要。您應該使可靠性成為您的業務決策流程中的一個因素，并為其分配足夠的預算和時間。

關鍵點

• 動態環境和分布式系統（如微服務）會導致更高的故障機率；

• 服務應該做到故障隔離，到達優雅降級，來提升用戶體驗；

• 70％的中斷是由變化引起的，代碼回滾不是一件壞事；

• 做到服務快速失敗與獨立性。團隊是無法控制他們所依賴的服務情況；

• 緩存、艙壁、斷路器和限流器等架構模式與技術有助于構建可靠的微服務架構。